导读

近年来，边缘计算逐渐成为一个流行的技术术语，它用于强调与云计算相反的方法，来弥补云计算在实时计算效率、终端数据处理方面的不足，极大地减轻了从设备到云端的数据和网络流量的压力。如果说云计算是一个统筹中心，负责长期的周期性的大数据分析，那么边缘计算则更着眼于实时的、靠近终端的数据采集和分析，两者相辅相成使得无论在服务的响应性能、还是可靠性方面都高于传统中心化的云计算，相较单纯的云计算也更加高效而且安全。所谓万物互联，以时间为横坐标延伸，最大的网络就是物联网。那么边缘计算就是靠近物联网边缘的计算、处理、优化和存储。搭载物联网的发展，边缘计算的应用也十分广泛，从智慧城市、智慧家居、智慧医院、在线直播，到智能泊车、自动驾驶、无人机，边缘计算正搭载着工业4.0时代的智慧，为实时高效的计算需求提供新型的解决方案。

边缘计算的特性

• 具有实时处理的优势，所以它能够更好的支撑本地业务实时处理与执行。（分布式和低延时计算）
• 边缘计算直接对终端设备的数据进行过滤和分析，节能省时效率还高。（效率更高）
• 边缘计算减缓数据爆炸和网络流量的压力，用过边缘节点进行数据处理，减少从设备到云端的数据流量。（省流量）
• AI+边缘计算组合的边缘计算不止于计算，智能化特点明显，另外云计算+边缘计算组合出击，成本只有单独使用云计算的39%。（智能节能）

随着5G IoT技术的进一步发展，分布式计算对设备间传输带宽的性能要求及对边缘计算的应用需求也日益增强。联邦学习能利用其隐私保护性强的特点，有效地辅助边缘端信息的聚合，提升训练效率，从而进一步促进物联网生态体系的构建。本文也精选了三篇论文来给大家简要地介绍一下联邦学习是如何与边缘计算相结合的。

移动边界上异构资源的联邦学习客户端选择

在本文中对于移动边缘计算（MEC），作者提出了一个新的框架，它利用了分布式客户端数据和计算资源来训练高性能Machine Learning( ML )模型，同时保护客户端隐私。

这项工作的目标是扩展联邦学习(FL)，这是一个分散的学习框架，它使模型的隐私保护训练能够在一个实际的蜂窝网络中与各种各样的客户机一起工作。FL协议迭代地要求随机客户端从服务器下载可训练的模型，用自己的数据更新模型，并将更新后的模型上传到服务器，同时要求服务器聚合多个客户端更新以进一步改进模型。虽然此协议中的客户端不需要公开自己的私有数据，但当某些客户端具有有限的计算资源(即，需要较长的更新时间)或在无线信道条件差的情况(较长的上传时间)下，整体的训练过程会变得低效。

为了解决这一问题，作者提出了一个新的FL协议，我们称之为FedCS，该方法使用了一种 “Client Selection”的机制替换掉了原本随机选择客户端参与训练的机制，它可以高效地运行FL，而MEC框架的操作员则可以积极地管理异种客户端的资源。实验结果表明，与原FL协议相比，FedCS能够在较短的时间内完成训练过程。

用于低延迟联邦边缘学习的宽带模拟聚合

作者考虑了一种流行的隐私保护框架——联邦边缘学习(FEEL)，该框架通过聚合(平均)在边缘设备上训练的本地模型来更新边缘服务器上的全局AI模型。作者提出利用多址信道的波形叠加特性，使设备在宽带信道上同步传输的数据应是模拟的、聚合的“空中”数据。这种宽带模拟聚合Broadband Analog Aggregation (BAA)与传统的正交接入(OFDMA)相比，能显著降低通信延迟。

分布式边缘计算的主动学习解决方案

工业4.0通过操作技术和信息技术的融合成为可能。但同时，前所未有的数据生成给云服务器带来了负担，造成了延迟问题。于是，我们加入了雾节点Fog Node(FN)这一放置在云与边缘设备(ED)之间的中间件平台，来辅助训练的收敛，加速传输进程。

在这个新的范例中，作者划分计算任务并将其下推到边缘设备。该方法对边缘和雾节点的计算进行了智能分解，既符合分布式设置，又保护了用户的数据隐私。作者的策略是通过在边缘设备上应用主动学习（Active Learning）来降低训练成本，并在fog节点上进行联邦学习，该方法在减少了训练模型的数据样本和通信成本的同时，也保护了用户的隐私。为了验证该方法的有效性，作者将其应用于一个图像分类任务，并对其性能进行了评估。此外，作者还考虑了两种设置:大规模分布式和非大规模分布式，并提供了相应的解决方案。

综上，目前联邦学习助力边缘计算在分布式处理的性能提升和传输效率上都起到了积极的推动作用，相信未来将会有更多的成果出现，引领物联网时代的一站式解决方案。

参考资料：

https://arxiv.org/abs/1804.08333

https://arxiv.org/abs/1812.11494?context=cs.LG

https://arxiv.org/abs/1906.10718v1

--END--

本文为联邦学习原创编写，转载请联系本头条号获得授权。

投稿或寻求报道：fedlearningai@163.com

请长按扫描上方二维码加关注，

我们为您送上源源不断的前沿知识！